Glosārijs

Hiperparametru optimizācija

Kas ir Hiperparametru optimizācija?

Hiperparametri ir iestatījumi, kas tiek noteikti pirms modeļa apmācības, piemēram, mācīšanās ātrums, slāņu skaits vai regularizācijas stiprums. Hiperparametru optimizācija sistemātiski meklē kombināciju, kas vislabāk darbojas ar validācijas datiem, piemēram, ar režģa meklēšanu, nejaušo meklēšanu vai Beijesa optimizāciju. Labi izvēlētas vērtības uzlabo pareizību un mazina pārmācīšanos vai nepietiekamu apmācību, taču meklēšana prasa skaitļošanas laiku.

Kā palīdz KI.ordo

KI.ordo modeļus neapmāca; līdzīga vadības iespēja ir aģentu „temperatūras” slīdnis — izpildes laika iestatījums, kas nosaka, cik daudzveidīgas ir atbildes.

Uzzināt vairāk

Tēmas

Training
Modeļa kvalitāte
Tuning

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo

← Visi termini

Saistītie termini

Overfitting

Pārmērīga pielāgošanās datiem rodas, kad modelis iegaumē apmācības datus, ieskaitot nejaušas īpatnības un troksni, nevis apgūst vispārīgi derīgas likumsakarības. Tad tas šķiet ļoti precīzs ar pazīstamiem datiem, bet slikti darbojas ar jauniem. Tipiska pazīme ir liela atšķirība starp apmācības un testa kļūdu. Pretlīdzekļi ir vairāk vai daudzveidīgāki dati, vienkāršāki modeļi, regularizācija, dropout un krusteniskā validācija.

modeļa kvalitāte
apmācība
+1

Krusteniskā validācija

Krusteniskā validācija ir metode, ar kuru pārbauda, cik labi modelis vispārina jauniem, neredzētiem datiem. K-kārtu krusteniskajā validācijā dati tiek sadalīti k daļās; modelis tiek apmācīts k reizes uz k−1 daļām un katru reizi pārbaudīts uz atlikušās daļas, pēc tam rezultāti tiek vidēji aprēķināti. Tas palīdz atklāt pārmācīšanos un godīgi salīdzināt modeļus vai iestatījumus, īpaši, ja datu ir maz.

Modeļu novērtēšana
Validācija
+1

Mašīnmācīšanās

Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.

pamati
MI
+1

Regularizācija

Regularizācija aptver paņēmienus, kas apmācības laikā neļauj modelim pārāk cieši pielāgoties apmācības datiem (pārmērīga pielāgošanās). Piemēri ir lielu svaru sodīšana (L1 vai L2 regularizācija), neironu nejauša izslēgšana (dropout) vai apmācības apturēšana īstajā brīdī (agrīna apturēšana). Mērķis ir vienkāršāks modelis, kas uzticamāk darbojas ar jauniem, neredzētiem datiem, pat ja apmācības datos tas iegūst nedaudz zemāku rezultātu.

apmācība
pārmērīga pielāgošanās
+1